神经网络7种C语言实现代码，大家可以

这是一个用于数据挖掘的常用算法的模板库（数据挖掘的C++模板库for UNIX)-for data mining algorithms commonly used template library (data mining C template library for UNIX)

该程序是基于BP网络的PID控制系统。系统由两部分构成：经典的PID控制器和神经网络。-that the procedure was based on BP network PID control system. System consists of two parts : the classic PID controller and neural networks.

神经网络的源代码，关于字符识别的一些东西-Neural network source code, something about character recognition

kmeans分类的小程序，聚类算法，大家都来看看吧，-kmeans classification of small procedures, clustering algorithm, as we all look at and see,

数字图形图形处理中的一个很有用的算法，好不容易搞到的-Digital graphics graphics processing in a useful algorithm, finally got the

用Java实现的多层BP神经网络，用于颜色和字符识别-using Java multi-storey BP neural network, for the color and character recognition

用蚁群算法求解TSP（旅行商）问题，按照TSP.m中要求的格式输入程序参数即可运行！-Using Ant Colony Algorithm for TSP (traveling salesman) problems, in accordance with the format requested TSP.m input process parameters to run!

一篇研究遗传算法的人都必须看的文章，是国内遗传算法研究的泰斗！-A well know article in the field of genetic algorithm.The writer is very famous in our country

一种通过自组织竞争学习网络实现数据降维和可视化的单层神经网络模型。用此算法可以把输入空间的多维映射到低维的（一维或者二维）的离散网络上，并将保持相同性质的输入数据在映射到低维空间时的拓扑一致性。iris以及letter两个数据集进行分类-A competitive learning through self-organizing network for data dimensionality reduction and visualization of single-layer neural network model. Using this algorithm can be multi-dimensional input space is mapped to the low-dimensional (one-dimensional or two-dimensional) discrete network, and will remain the same as the nature of the input data is mapped to the low-dimensional space of topological consistency. iris as well as the letter the two data sets to classify

Hopfield 网――擅长于联想记忆与解迷路 实现H网联想记忆的关键，是使被记忆的模式样本对应网络能量函数的极小值。 设有M个N维记忆模式，通过对网络N个神经元之间连接权 wij 和N个输出阈值θj的设计，使得: 这M个记忆模式所对应的网络状态正好是网络能量函数的M个极小值。 比较困难，目前还没有一个适应任意形式的记忆模式的有效、通用的设计方法。 H网的算法 1）学习模式――决定权重 想要记忆的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 则任意两个神经元j、i间的权重： wij=∑ap(i)ap(j)，p=1…p； P：模式的总数 ap(s)：第p个模式的第s个要素（-1或1） wij：第j个神经元与第i个神经元间的权重 i = j时，wij=0，即各神经元的输出不直接返回自身。 2)想起模式： 神经元输出值的初始化 想起时，一般是未知的输入。设xi(0)为未知模式的第i个要素（-1或1） 将xi(0)作为相对应的神经元的初始值，其中，0意味t=0。 反复部分：对各神经元，计算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n―神经元总数 f（）--Sgn（） θi―神经元i发火阈值 反复进行，直到各个神经元的输出不再变化。-Hopfield network-- good at associative memory solution with the realization of lost H associative memory networks, are key to bringing the memory model samples corresponding network energy function of the minimum. With M-N-dimensional memory model, the network N neurons connect between right wij and N output threshold j design makes : M-mode memory corresponding to the network is a state network energy function is the M-000 minimum. Mor